摘要 | 第1-7页 |
ABSTRACT | 第7-13页 |
第一章 绪论 | 第13-27页 |
·论文研究工作的背景和意义 | 第13-14页 |
·研究历史与现状 | 第14-20页 |
·论文的研究内容及安排 | 第20-21页 |
本章参考文献 | 第21-27页 |
第二章 雷达自适应处理中目标检测准则 | 第27-37页 |
·引言 | 第27页 |
·雷达自适应检测准则 | 第27-33页 |
·广义似然比检测准则(GLRT) | 第28-29页 |
·自适应匹配滤波检测准则(AMF) | 第29-30页 |
·Rao和Wald检测准则 | 第30-32页 |
·ACE检测准则 | 第32-33页 |
·空时自适应处理基本原理 | 第33-36页 |
本章参考文献 | 第36-37页 |
第三章 基于先验知识的训练数据和自适应滤波算法智能选择 | 第37-55页 |
·引言 | 第37页 |
·利用杂波环境先验知识的训练数据选择方法 | 第37-43页 |
·传统的GIP NHD算法 | 第38页 |
·基于先验知识的GIP NHD算法 | 第38-39页 |
·噪声协方差矩阵的模型及生成方法 | 第39-40页 |
·数值仿真实验 | 第40-43页 |
·自适应滤波算法智能选择 | 第43-52页 |
·均匀样本数据滤波器算法选择 | 第44-46页 |
·非均匀样本数据处理 | 第46-49页 |
·自适应算法智能选择 | 第49页 |
·实测数据仿真实验 | 第49-52页 |
·小结 | 第52页 |
本章参考文献 | 第52-55页 |
第四章 基于杂波脊先验知识的杂波滤除方法 | 第55-67页 |
·引言 | 第55-56页 |
·基于杂波脊信息的空时自适应滤波方法 | 第56-61页 |
·根据杂波脊信息构造噪声协方差矩阵滤除杂波 | 第56-57页 |
·杂波谱峰数量及位置设定 | 第57-60页 |
·估计模型参数 | 第60-61页 |
·数值仿真实验 | 第61-64页 |
·小结 | 第64页 |
本章参考文献 | 第64-67页 |
第五章 基于贝叶斯方法的雷达自适应检测 | 第67-89页 |
·引言 | 第67-68页 |
·预备知识及符号表示 | 第68页 |
·贝叶斯自适应检测器设计 | 第68-80页 |
·先验分布选择 | 第69-70页 |
·贝叶斯GLRT检测器 | 第70-72页 |
·贝叶斯Rao检测器 | 第72-73页 |
·贝叶斯Wald检测器 | 第73-74页 |
·贝叶斯AMF检测器 | 第74-75页 |
·贝叶斯检测器特点分析 | 第75-76页 |
·数值仿真实验 | 第76-80页 |
·部分均匀杂波假设下贝叶斯雷达自适应检测 | 第80-84页 |
·部分均匀杂波假设下贝叶斯GLRT检测器 | 第81-82页 |
·部分均匀杂波假设下贝叶斯Rao检测器 | 第82页 |
·部分均匀杂波假设下贝叶斯Wald检测器 | 第82-83页 |
·数值仿真实验 | 第83-84页 |
·小结 | 第84-85页 |
本章参考文献 | 第85-89页 |
第六章 贝叶斯非均匀杂波建模及其GLRT检测器设计 | 第89-99页 |
·引言 | 第89-90页 |
·贝叶斯非均匀杂波环境建模及先验知识引入 | 第90-91页 |
·贝叶斯GLRT检测器设计 | 第91-94页 |
·数值仿真实验 | 第94-97页 |
·小结 | 第97页 |
本章参考文献 | 第97-99页 |
第七章 基于贝叶斯理论的图像处理方法 | 第99-121页 |
·引言 | 第99-100页 |
·问题说明和背景介绍 | 第100-102页 |
·稀疏编码 | 第100页 |
·数据字典学习 | 第100-101页 |
·图像稀疏表示 | 第101-102页 |
·非参数贝叶斯先验分布:IBP 和 Beta 过程 | 第102-103页 |
·基于 Beta 过程的字典学习及图像处理算法 | 第103-108页 |
·基于Beta过程的图像稀疏表示模型 | 第105-106页 |
·模型的Gibbs采样推导 | 第106-108页 |
·仿真实验分析 | 第108-116页 |
·小结 | 第116-117页 |
本章参考文献 | 第117-121页 |
第八章 结束语 | 第121-125页 |
·全文内容总结 | 第121-122页 |
·工作展望 | 第122-125页 |
致谢 | 第125-127页 |
作者在读期间的研究成果 | 第127-129页 |